Définition complète
Le Question Answering (QA) est une tâche de traitement du langage naturel où le système répond à des questions posées en langage humain. Il existe plusieurs types de QA : extractif (extraire la réponse d'un texte fourni), génératif (générer une réponse), et open-domain (répondre à partir de connaissances générales). Le QA est au cœur des chatbots, des FAQ intelligentes, et des assistants de recherche. Les LLM excellent en QA grâce à leur capacité à comprendre et générer du langage naturel.
Questions fréquentes
Quelle différence entre QA extractif et génératif ?
Le QA extractif sélectionne un passage du texte source comme réponse (surligner une phrase). Le QA génératif produit une nouvelle réponse en reformulant ou synthétisant l'information. Le RAG combine les deux : il extrait des passages pertinents (extractif) puis les utilise pour générer une réponse (génératif). Le génératif est plus flexible mais plus risqué (hallucinations possibles).
Comment le QA est-il utilisé dans les chatbots d'entreprise ?
Les chatbots d'entreprise utilisent le QA pour : répondre aux questions sur les produits/services (FAQ), fournir des informations à partir de la documentation interne (RAG), extraire des données de documents ("Quel est le montant de cette facture ?"), et assister les agents humains en suggérant des réponses. Le QA transforme une base de connaissances statique en assistant interactif.
Comment évaluer la qualité d'un système de QA ?
L'évaluation du QA utilise des métriques comme : Exact Match (réponse exactement correcte), F1-score (recouvrement partiel), BLEU/ROUGE (similarité avec la réponse de référence), et des évaluations humaines (pertinence, complétude). Pour le QA génératif, on évalue aussi la fidélité aux sources (pas d'hallucination). Les datasets benchmark (SQuAD, Natural Questions) permettent de comparer les modèles.